孫玉寶 李 歡 吳 敏 吳澤彬 賀金平 劉青山

?

基于圖稀疏正則化多測量向量模型的高光譜壓縮感知重建

孫玉寶①④李 歡②吳 敏③吳澤彬④賀金平②劉青山①*

①(南京信息工程大學(xué)信息與控制學(xué)院 南京 210014)②(北京空間機電研究所 北京 100076)③(南京軍區(qū)南京總醫(yī)院醫(yī)學(xué)工程科 南京 210002)④(南京理工大學(xué)計算機科學(xué)與工程學(xué)院 南京 210094)

壓縮感知重建是解決高光譜現(xiàn)有成像模式數(shù)據(jù)量大冗余度高問題的一個有效機制。針對高光譜圖像的多通道特性，該文建立了高光譜壓縮感知的多測量向量模型，編碼端使用隨機卷積算子對各通道進行快速采樣，生成測量向量矩陣。解碼端構(gòu)建圖稀疏正則化的聯(lián)合重建模型，在稀疏變換域?qū)⒏吖庾V圖像分解為譜間的關(guān)聯(lián)成分和差異成分，通過圖結(jié)構(gòu)化稀疏度量表征關(guān)聯(lián)成分的空譜相關(guān)性，并約束譜間差異成分的稀疏性。進一步提出模型求解的交替方向乘子迭代算法，通過引入輔助變量與線性化技巧，使得每一子問題均存在解析解，降低了模型求解的復(fù)雜度。對多個實測數(shù)據(jù)集進行了對比實驗，實驗結(jié)果驗證了該文模型與算法的有效性。

高光譜圖像；壓縮感知；多測量向量；圖稀疏；交替方向乘子法

1 引言

如何構(gòu)建更為有效的高光譜數(shù)據(jù)聯(lián)合重建模型是一個難點問題。本文建立了高光譜圖像的壓縮感知多測量向量模型，由編碼器與解碼器兩部分組成，編碼器對各通道使用隨機卷積算子進行快速采樣[12]，生成測量向量矩陣，解碼器將高光譜圖像表示為稀疏變換域的關(guān)聯(lián)成分和差異成分，構(gòu)建圖稀疏正則化的聯(lián)合重建模型，并提出模型求解的交替方向乘子迭代算法[13,14]。在多個實測數(shù)據(jù)集上進行了對比實驗，實驗結(jié)果驗證了本文模型與算法的有效性。

2 高光譜圖像的多向量測量

3 圖稀疏正則化的多向量測量重建模型

其中，為稀疏表示字典，為字典中的原子(基函數(shù))個數(shù)；為系數(shù)矩陣，為第個通道圖像的稀疏分解系數(shù)，為矩陣的范數(shù)，計算為各元素的絕對值之和。為正則化參數(shù)，權(quán)衡重建數(shù)據(jù)的關(guān)聯(lián)成分與差異成分。為線性映射，將矩陣重排為向量。 為定義在圖上的規(guī)范化拉普拉斯矩陣，計算為,為單位矩陣，為相似性矩陣，為度矩陣，是一個對角矩陣，對角元素。

約束相鄰系數(shù)值在空間維與光譜維的相似性，從而有效表征高光譜數(shù)據(jù)的空譜聯(lián)合相關(guān)性。

4 交替方向乘子法優(yōu)化算法

對于等式約束引入拉格朗日乘子，構(gòu)建重建模型式(4)的增廣拉格朗日乘子函數(shù)，表示為

其中

(4)對偶更新

5 實驗結(jié)果與分析

圖2 本文模型與SMV-W, SMV-3DW, MMV-Group模型在不同采樣率下的重建SNR曲線圖

圖3列出了采樣率為0.1250時本文模型以及SMV-W, SMV-3DW, MMV-Group模型對Urban數(shù)據(jù)的重建圖像，每一列圖像對應(yīng)一個譜帶，譜帶數(shù)分別為10, 30, 50, 70與90，圖3(a)為原圖像，圖3(b)為SMV-W模型的重建圖像，圖3(c)為SMV- 3DW的重建圖像，圖3(d)為MMV-Group模型的重建圖像，圖3(e)為本文模型的重建圖像。本文重建圖像的結(jié)構(gòu)更加清晰完整，更多的圖像細節(jié)得到重建。

圖3 采樣率為0.1250時本文模型與SMV-W, SMV-3DW, MMV-Group模型的Urban重建圖像對比圖

6 結(jié)論

本文建立了一種新的圖稀疏正則化的多測量向量模型，并將其應(yīng)用于高光譜圖像壓縮感知重建，在多個數(shù)據(jù)上進行了仿真測試，并同現(xiàn)有模型進行了對比分析，本文模型能夠獲得更高質(zhì)量的重建圖像，驗證了本文模型及其算法的有效性。高光譜壓縮感知成像機制在編碼端只需獲取少量的線性測量數(shù)據(jù)，解碼端從測量數(shù)據(jù)通過優(yōu)化算法重建原高光譜數(shù)據(jù)，該種測量機制將編碼端的工作負(fù)荷轉(zhuǎn)移至解碼端，有利于降低編碼端的能量與存儲要求，適合于星上處理與移動嵌入式等資源受限系統(tǒng)，具有一定的工程應(yīng)用價值。

圖4 本文模型針對PaviaU數(shù)據(jù)在采樣率為0.1250時的重建結(jié)果(從左至右所示圖像對應(yīng)的譜帶數(shù)分別為1,2,12,13)

[1] Chang C I. Hyperspectral Imaging: Techniques for Spectral Detection and Classification[M]. NewYork: Springer, 2003: 3-10.

[2] 劉芳, 武嬌, 楊淑媛, 等. 結(jié)構(gòu)化壓縮感知研究進展[J]. 自動化學(xué)報, 2013, 39(12): 1980-1995.

Liu Fang, Wu Jiao, Yang Shu-yuan,.. Research advances on structured compressive sensing[J]., 2013, 39(12): 1980-1995.

[3] 李然, 干宗良, 崔子冠, 等. 聯(lián)合時空特征的視頻分塊壓縮感知重構(gòu)[J]. 電子與信息學(xué)報, 2014, 36(2): 285-292.

Li Ran, Gan Zong-liang, Cui Zi-guan,.. Block compressed sensing reconstruction of video combined with temporal-spatial characteristics[J].&, 2014, 36(2): 285-292.

[4] Wagadarikar A, John R, Willett R,.. Single disperser design for coded aperture snapshot spectral imaging[J]., 2008, 47(10): B44-B51.

[5] Pfeffer Y. Compressive sensing for hyperspectral imaging [D]. [Ph.D. dissertation], Technion-Israel Institute of Technology, 2010.

[6] Duarte M and Baraniuk R. Kronecker compressive sensing[J]., 2011, 21(2): 494-504.

[7] Shane F, Bhaskar D, Engan K,.. Sparse solutions to linear inverse problems with multiple measurement vectors [J]., 2005, 53(7): 2477-2488.

[8] Du X, Chen D, and Cheng L. A reduced2–1model with an alternating minimization algorithm for support recovery of multiple measurement vectors[J]., 2013, 7(2): 112-119.

[9] Eldar Y C and Rauhut H. Average case analysis of multichannel sparse recovery using convex relaxation[J]., 2010, 56(1): 505-519.

[10] Golbabaee M and Vandergheynst P. Hyperspectral image compressed sensing via low-rank and joint-sparse matrix recovery[C]. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Kyoto, 2012: 2741-2744.

[11] Waters A, Sankaranarayanan A, and Baraniuk R. SpaRCS: recovering low-rank and sparse matrices from compressive measurements[C]. Advances in Neural Information Processing Systems, Granada, 2011: 1089-1097.

[12] Romberg J. Compressive sensing by random convolution [J]., 2009, 2(4): 1098-1128.

[13] Rakotomamonjy A. Applying alternating direction method of multipliers for constrained dictionary learning[J]., 2013, 106(4): 126-136.

[14] Lin Zhou-chen, Liu Ri-sheng, and Su Zhi-xun . Linearized alternating direction method with adaptive penalty for low-rank representation[C]. Advances in Neural Information Processing Systems, Granada, 2011: 612-620.

[15] Tropp J A, Gilbert A C, and Strauss M J. Algorithms for simultaneous sparse approximation. Part I: greedy pursuit [J]., 2006, 86(3): 572-588.

[16] Combettes P L and Pesquet J C. Proximal splitting methods in signal processing[C]. In Fixed-Point Algorithms for Inverse Problems in Science and Engineering Springer Optimization and Its Applications, New York, 2011: 185-212.

孫玉寶： 男，1983年生，講師，研究方向為多維信號稀疏表示與壓縮感知、高光譜圖像處理.

李 歡： 女，1979年生，高級工程師，研究方向為遙感圖像處理、壓縮感知理論與應(yīng)用.

吳 敏： 女，1973年生，高級工程師，研究方向為壓縮感知理論與應(yīng)用、EEG信號處理.

吳澤彬： 男，1981年生，副教授，研究方向為高光譜圖像處理與智能解譯、高性能計算技術(shù).

賀金平： 女，1981年生，博士后，研究方向為高光譜遙感、信號稀疏表示.

劉青山： 男，1975年生，教授，博士生導(dǎo)師，研究方向為圖像與視頻分析、大數(shù)據(jù)處理與分析.

Compressed Sensing Reconstruction of Hyperspectral Image Using theGraph Sparsity Regularized Multiple Measurement Vector Model

Sun Yu-bao①④Li Huan②Wu Min③Wu Ze-bin④He Jin-ping②Liu Qing-shan①

①(,,210014,)②(,100076,)③(,,210002,)④(,,210094,)

Hyperspectral image; Compressed Sensing (CS); Multiple measurement vectors; Graph structured sparsity; Alternated direction method of multiplier

TP751.1

A

1009-5896(2014)12-2942-07

10.3724/SP.J.1146.2014.00566

劉青山 qsliu@nuist.edu.cn

2014-04-30收到，2014-07-25改回

國家自然科學(xué)基金(61272223, 61300162, 81201161)，江蘇省自然科學(xué)基金(BK2012045, BK20131003)，中國博士后基金(20110491429)，江蘇省博士后基金(1101083C), CAST創(chuàng)新基金(201227)和江蘇省光譜成像與智能感知重點實驗室基金資助課題